Come gli assistenti AI scelgono quali aziende consigliare

Le quattro fasi tra un prompt e un nome

Un prompt come «a chi mi conviene affidarmi per l'allestimento di uffici a Milano?» non è una query di ricerca. Prima di recuperare qualsiasi cosa, l'assistente decide se ha bisogno del web, poi espande la richiesta in diverse ricerche concrete — di solito un mix di termini di categoria, modificatori geografici e parole di intento come «migliori», «recensioni» o «confronto». OpenAI descrive ChatGPT search come la combinazione del proprio modello con informazioni prese dal web, con link alle fonti, invece di rispondere solo dai dati di addestramento (OpenAI).

Il retrieval restituisce un insieme di candidati: di solito qualche decina di URL, di cui solo una manciata entra nel contesto di lavoro. Poi si filtra — alcune fonti vengono trattate come affidabili per affermazioni commerciali, altre ignorate, altre ancora escluse perché l'editore ha bloccato il crawler. La ricerca web di Claude, per esempio, restituisce risposte con citazioni alle pagine utilizzate (Anthropic): le fonti sono quindi portanti e ispezionabili.

Poi arriva il passaggio a cui quasi nessuna azienda pensa: la risoluzione delle entità. L'assistente deve stabilire che «Northgate Interiors», «Northgate Interiors Srl» e l'impresa senza nome descritta in un articolo di una rivista di settore sono la stessa azienda — oppure che non lo sono. Infine la sintesi: il modello scrive da due a cinque nomi in un testo discorsivo, in un ordine determinato da quanto ciascun candidato è comparso, con quanta forza e con quanta coerenza, nelle prove recuperate.

Ogni fase è un filtro. Puoi essere perfettamente scansionabile, avere ottime recensioni ed essere davvero l'opzione migliore, e perdere comunque alla risoluzione delle entità. Capire quale filtro ti ha eliminato è più utile di qualunque consiglio generico su come «ottimizzare per l'AI».

• placeholder
• x
• Fasi di filtro
• :

Fase 1: retrieval — prima recuperabile, poi trovabile

Se il fetch fallisce, tutto il resto non conta. Ogni assistente usa i propri crawler e il proprio indice, e ciascuno pubblica gli user agent coinvolti: OpenAI documenta OAI-SearchBot per la presenza dei siti in ChatGPT search, accanto a GPTBot per l'addestramento (OpenAI), e bloccare l'uno non equivale a bloccare l'altro. Un robots.txt scritto nel 2023 per tenere fuori l'addestramento AI spesso tiene fuori anche il bot di ricerca — un'autoesclusione che nessun lavoro sui contenuti potrà compensare.

L'indice dietro l'assistente pesa altrettanto. Google dichiara che le sue funzionalità AI nella Ricerca si basano sugli stessi sistemi e sulla stessa indicizzazione della Ricerca, e che valgono le stesse linee guida di Search Essentials (Google Search Central). Microsoft Copilot eredita l'indice di Bing, quindi le linee guida per i webmaster di Bing su scansionabilità, URL canonici e qualità dei contenuti sono il regolamento operativo (Bing Webmaster Guidelines). Perplexity gestisce un proprio sistema di retrieval e cita le fonti inline, e ha costruito rapporti commerciali con gli editori tramite il suo Publishers Program (Perplexity).

C'è poi il disallineamento linguistico. Gli assistenti cercano con il vocabolario dell'utente, non con quello del tuo marketing. Un'azienda che si descrive come fornitrice di «soluzioni integrate per il workplace» è invisibile a un fan-out fatto di «impresa allestimenti uffici Milano», «aziende allestimenti interni commerciali Italia» e «migliori ditte per allestimento uffici». Un linguaggio di categoria semplice nelle pagine di servizio, con le stesse parole usate dai clienti, è ciò che rende una pagina recuperabile per le query che vengono effettivamente eseguite.

Cosa controlli qui: accesso dei crawler, indicizzabilità a livello di pagina, aggiornamento delle pagine chiave e coerenza tra la tua terminologia e le formulazioni di ricerca che un assistente è probabile generi.

Fase 2: affidabilità delle fonti — la rosa la scelgono le pagine di terze parti

Una volta recuperati, i documenti non valgono tutti uguale. Gli assistenti si appoggiano molto alle pagine che sembrano valutazioni indipendenti — directory, piattaforme di recensioni, stampa di settore, articoli comparativi, elenchi soci di associazioni, profili su marketplace — perché sono quelle che contengono elenchi di opzioni in concorrenza. Il sito di un fornitore è ottimo per confermare dettagli e pessimo come prova di superiorità: «siamo il provider leader» è un'affermazione che il modello è addestrato a svalutare.

Ecco perché la rosa dei candidati è spesso decisa prima ancora che il tuo sito venga letto. Se cinque articoli-classifica sulla tua categoria citano otto aziende e tu non sei in nessuno, l'insieme di candidati dell'assistente è quelle otto. Il tuo sito verrà recuperato solo per arricchire un nome già emerso, o non verrà recuperato affatto. L'asimmetria è scomoda ma azionabile: guadagnare una riga nelle pagine che già si posizionano per «migliori X a Y» vale più dell'ennesima riscrittura della homepage.

La coerenza tra le fonti funziona come secondo segnale di affidabilità. Quando sei pagine indipendenti ti descrivono allo stesso modo — stessa specializzazione, stessa città, stessa dimensione di clientela — il modello tratta quella descrizione come un dato acquisito. Quando si contraddicono, il modello si tiene sul vago, e le entità «con riserva» vengono escluse dalle risposte brevi perché costano parole da spiegare.

L'attualità conta più di quanto la maggior parte dei team immagini. Per le domande commerciali gli assistenti preferiscono documenti con date recenti, quindi una scheda in directory del 2019 con un numero di telefono morto è peggio di nessuna scheda. Verificare dove compari e far correggere i profili obsoleti è lavoro poco glamour con effetto diretto sul retrieval. Il lato misurazione lo approfondiamo in AI visibility.

• Pagine che costruiscono la rosa: classifiche di categoria, liste «best of», articoli di confronto e di alternative, piattaforme di recensioni, directory di settore e registri associativi.
• Pagine che confermano i dettagli: pagine di servizio, pagina prezzi, case study, chi siamo e dati strutturati.
• Pagine che ti danneggiano: profili obsoleti con contatti sbagliati, schede duplicate abbandonate e pagine che descrivono un servizio che non offri più.

Fase 3: risoluzione delle entità — essere un'unica azienda senza ambiguità

Il modello a questo punto ha un mucchio di menzioni e deve comprimerle in entità. È qui che nomi quasi identici, rebranding, attività multi-sede e strutture di holding provocano perdite silenziose. Se le prove sulla tua azienda sono divise tra tre identità a metà, nessuna delle tre appare abbastanza solida da essere consigliata, anche se la somma lo sarebbe.

Un'identità leggibile dalle macchine è la correzione più economica disponibile. La documentazione di Google sui dati strutturati per le attività locali specifica le proprietà che descrivono un'attività fisica — nome, indirizzo, telefono, orari, geolocalizzazione, fascia di prezzo (Google Search Central) — e la proprietà sameAs di Schema.org esiste proprio per collegare la tua pagina ai riferimenti canonici della stessa entità, come un profilo ufficiale o una pagina di knowledge base (Schema.org). Compilarle significa dare a ogni crawler la stessa dichiarazione inequivocabile di chi sei.

Il resto è disciplina. Usa ovunque lo stesso schema ragione sociale + nome commerciale. Mantieni le stesse parole di categoria nel title tag, nei profili delle directory e nella descrizione LinkedIn. Assicurati che indirizzo e telefono sulle schede di terze parti coincidano carattere per carattere con quelli del sito. Se hai più sedi, dai a ciascuna una pagina indicizzabile con dati strutturati propri, invece di un'unica pagina con menu a tendina.

Gli assistenti risolvono le entità anche per co-occorrenza: brand, tecnologie, certificazioni e tipologie di cliente che compaiono vicino al tuo nome. Se nulla nelle prove recuperate ti collega al servizio specifico citato nel prompt, vieni risolto come azienda generica del tuo settore — recuperabile, ma mai la risposta a una domanda specifica.

Fase 4: sintesi — come una rosa diventa una frase

Al momento della sintesi il modello ha forse tra le 5.000 e le 20.000 parole di testo recuperato e deve produrne 120. È la compressione a decidere tutto. Sopravvivono i candidati sostenuti da affermazioni esplicite e citabili; quelli che richiedono un'inferenza vengono tagliati, perché il modello non ha spazio per argomentare.

La posizione all'interno del contesto recuperato ha un effetto misurabile. Liu e colleghi hanno mostrato che i modelli linguistici sfruttano al meglio le informazioni collocate all'inizio o alla fine di un input lungo, con un calo di accuratezza evidente quando il passaggio rilevante si trova nel mezzo (Liu et al., «Lost in the Middle»). In pratica, questo premia la struttura dei contenuti: un'affermazione posta nella prima frase di una sezione, o in una tabella comparativa ben etichettata, ha molte più probabilità di sopravvivere alla compressione rispetto alla stessa affermazione nel nono paragrafo.

Anche la forma della risposta segue la forma delle sue fonti. Se i documenti recuperati sono articoli di confronto, ottieni un confronto. Se sono pagine di recensioni, ottieni sentiment. Se una fonte ha già inquadrato un mercato come «tre opzioni enterprise e due opzioni economiche», l'assistente tende a riprodurre quell'inquadramento e a incastrarci dentro i nomi. Chi scrive l'inquadramento che viene recuperato ha più influenza di chi scrive il miglior testo di vendita.

Infine, il modello ha bisogno di un motivo per nominarti. «Adatto ai settori regolamentati grazie alla certificazione ISO 27001» è una frase che l'assistente può riprendere e difendere. «Pluripremiato e attento al cliente» no. Pubblicare i qualificatori specifici e verificabili su cui un compratore filtrerebbe — settore, dimensione del contratto, area geografica, compliance, integrazioni, tempi di consegna — fornisce i differenziatori che ti rendono citabile.

Perché lo stesso prompt dà risposte diverse su ogni assistente

La divergenza è strutturale, non casuale. Copilot risponde dall'indice di Bing; le funzionalità AI di Gemini poggiano sui sistemi e sull'indicizzazione della Ricerca Google (Google Search Central); Perplexity recupera con il proprio stack e cita inline; Claude cerca sul web e allega citazioni alle affermazioni che ne ricava (Anthropic); ChatGPT search combina il modello con informazioni dal web e rimanda alle fonti (OpenAI). Indici diversi contengono documenti diversi, aggiornati con cadenze diverse. Stessa domanda, prove diverse.

Sopra a questo si aggiungono altre quattro fonti di variabilità. L'espansione della query cambia, quindi le ricerche effettivamente eseguite non sono le stesse. Il sampling rende la generazione non deterministica, quindi lo stesso assistente può restituire due ordini diversi in due tentativi consecutivi. La localizzazione sposta i risultati in base a Paese e città inferiti. E la personalizzazione — cronologia delle chat o funzioni di memoria — può orientare le risposte di un utente verso brand di cui ha già parlato.

La conseguenza operativa è che un singolo controllo a campione non dice quasi nulla. Per sapere se vieni consigliato serve eseguire ripetutamente lo stesso insieme di prompt a intento d'acquisto, su più assistenti, dalle aree geografiche in cui vendi, registrando ogni volta le fonti citate. È quello che fa Growli: monitoriamo menzioni, confronti e raccomandazioni per singolo assistente, mostriamo su quali fonti sono state costruite le risposte e trasformiamo i divari in una lista di interventi ordinata per priorità — vedi come funziona.

La diagnosi segue le stesse quattro fasi. Mai recuperato da nessuna parte? Sospetta accesso dei crawler o disallineamento linguistico. Recuperato ma mai nominato? Sospetta affidabilità delle fonti o ambiguità di entità. Nominato ma descritto male? Sta vincendo una fonte obsoleta specifica, ed è identificabile dalle citazioni.

Cosa puoi davvero influenzare, fase per fase

Quasi nulla in questa pipeline risponde alla persuasione, e quasi tutto risponde alle prove. Il lavoro si divide nettamente per fase, e conviene affrontarlo in quest'ordine invece di fare tutto insieme.

Nel retrieval le leve sono tecniche e linguistiche: consentire i crawler di ricerca che ti interessano (verificando gli user agent documentati da ciascuna piattaforma), mantenere indicizzabili e aggiornate le pagine commerciali chiave e usare le parole di categoria semplici che i tuoi clienti digitano. Sull'affidabilità delle fonti le leve sono esterne: entrare nelle classifiche e nelle directory che già si posizionano per i prompt della tua categoria, correggere i profili obsoleti e fare in modo che le descrizioni indipendenti di te concordino tra loro.

Nella risoluzione delle entità le leve sono strutturali: un unico schema di denominazione, contatti coincidenti ovunque, dati strutturati LocalBusiness o Organization e link sameAs verso i tuoi profili canonici. Nella sintesi le leve sono editoriali: dichiarare i fatti qualificanti nella prima frase di una sezione, pubblicare contenuti in forma comparativa con tabelle e fornire al modello differenziatori verificabili che possa citare senza rischi.

Niente di tutto questo è un trucco, e niente è definitivo. Gli indici si aggiornano, i concorrenti pubblicano e gli assistenti cambiano il comportamento di retrieval senza annunciarlo: il ciclo di misurazione conta quanto gli interventi. Le aziende consigliate con costanza sono quelle la cui base di prove è facile da trovare, facile da ritenere affidabile e impossibile da confondere con quella di qualcun altro.

FAQ